欢迎访问 GreenSim 团队主页→http://blog.sina.com.cn/greensim 邮箱：greensim@163.com 遗传算法改进的模糊 C-均值聚类 MATLAB 源代码 模糊 C-均值算法容易收敛于局部极小点，为了克服该缺点，将遗传算法应 用于模糊 C-均值算法(FCM)的优化计算中，由遗传算法得到初始聚类中心，再使 用标准的模糊 C-均值聚类算法得到最终的分类结果。 迭代次数 种群规模，要求是偶数 变异概率 决策变量的下界，M×1 的向量 决策变量的上界，M×1 的向量 原始样本数据，n×p 的矩阵 分类个数 模糊 C 均值聚类数学模型中的指数 function [BESTX,BESTY,ALLX,ALLY]=GAFCM(K,N,Pm,LB,UB,D,c,m) %% 此函数实现遗传算法，用于模糊 C-均值聚类 % GreenSim 团队——专业级算法设计&代写程序 % 欢迎访问 GreenSim 团队主页→http://blog.sina.com.cn/greensim %% 输入参数列表 % K % N % Pm % LB % UB % D % c % m %% 输出参数列表 % BESTX % BESTY % ALLX % ALLY %% 第一步： M=length(LB);%决策变量的个数 %种群初始化，每一列是一个样本 farm=zeros(M,N); for i=1:M K×1 细胞结构，每一个元素是 M×1 向量，记录每一代的最优个体 K×1 矩阵，记录每一代的最优个体的评价函数值 K×1 细胞结构，每一个元素是 M×N 矩阵，记录全部个体 K×N 矩阵，记录全部个体的评价函数值 x=unifrnd(LB(i),UB(i),1,N); farm(i,:)=x; end %输出变量初始化 ALLX=cell(K,1);%细胞结构，每一个元素是 M×N 矩阵，记录每一代的个体 ALLY=zeros(K,N);%K×N 矩阵，记录每一代评价函数值 BESTX=cell(K,1);%细胞结构，每一个元素是 M×1 向量，记录每一代的最优个体 BESTY=zeros(K,1);%K×1 矩阵，记录每一代的最优个体的评价函数值 k=1;%迭代计数器初始化 %% 第二步：迭代过程 while k<=K %% 以下是交叉过程 newfarm=zeros(M,2*N); Ser=randperm(N);%两两随机配对的配对表 第 1页 

欢迎访问 GreenSim 团队主页→http://blog.sina.com.cn/greensim 邮箱：greensim@163.com A=farm(:,Ser(1)); B=farm(:,Ser(2)); P0=unidrnd(M-1); a=[A(1:P0,:);B((P0+1):end,:)];%产生子代 a b=[B(1:P0,:);A((P0+1):end,:)];%产生子代 b newfarm(:,2*N-1)=a;%加入子代种群 newfarm(:,2*N)=b; for i=1:(N-1) A=farm(:,Ser(i)); B=farm(:,Ser(i+1)); P0=unidrnd(M-1); a=[A(1:P0,:);B((P0+1):end,:)]; b=[B(1:P0,:);A((P0+1):end,:)]; newfarm(:,2*i-1)=a; newfarm(:,2*i)=b; end FARM=[farm,newfarm]; %% 选择复制 SER=randperm(3*N); FITNESS=zeros(1,3*N); fitness=zeros(1,N); for i=1:(3*N) Beta=FARM(:,i); FITNESS(i)=FIT(Beta,D,c,m); end for i=1:N f1=FITNESS(SER(3*i-2)); f2=FITNESS(SER(3*i-1)); f3=FITNESS(SER(3*i)); if f1<=f2&&f1<=f3 farm(:,i)=FARM(:,SER(3*i-2)); fitness(:,i)=FITNESS(:,SER(3*i-2)); elseif f2<=f1&&f2<=f3 farm(:,i)=FARM(:,SER(3*i-1)); fitness(:,i)=FITNESS(:,SER(3*i-1)); else end farm(:,i)=FARM(:,SER(3*i)); fitness(:,i)=FITNESS(:,SER(3*i)); end %% 记录最佳个体和收敛曲线 X=farm; Y=fitness; ALLX{k}=X; 第 2页 

欢迎访问 GreenSim 团队主页→http://blog.sina.com.cn/greensim 邮箱：greensim@163.com ALLY(k,:)=Y; minY=min(Y); pos=find(Y==minY); BESTX{k}=X(:,pos(1)); BESTY(k)=minY; %% 变异 for i=1:N if Pm>rand&&pos(1)~=i AA=farm(:,i); BB=GaussMutation(AA,LB,UB); farm(:,i)=BB; end end disp(k); k=k+1; end %% 绘图 BESTY2=BESTY; BESTX2=BESTX; for k=1:K TempY=BESTY(1:k); minTempY=min(TempY); posY=find(TempY==minTempY); BESTY2(k)=minTempY; BESTX2{k}=BESTX{posY(1)}; end BESTY=BESTY2; BESTX=BESTX2; plot(BESTY,'-ko','MarkerEdgeColor','k','MarkerFaceColor','k','MarkerSize',2) ylabel('函数值') xlabel('迭代次数') 第 3页